Für Psychologie-Studenten im Bachelor: Statistik-Nachhilfe für die Freie Universität Berlin

Klausurvorbereitung

Im statistischen Teil deiner Klausur berechnest du in den beiden ersten Aufgaben Lage-, Streuungs- und Zusammenhangsmaße. Die dafür nötigen Schritte trainieren wir mit Hilfe einer klaren Übersicht und mit einfachen Rezepten, damit du schnell und sicher erkennst, welche Kennzahl geeignet ist und sie dann schnell und fehlerfrei berechnest. Du übst, deine Ergebnisse genau so zu interpretieren, wie es Professor Eid von dir lesen will.

Das theoretisch anspruchsvollste Thema der Klausur ist die multiple Regression. Neben den nötigen Berechnungen (Aufstellen der Regressionsgleichungen – Berechnen des Determinationskoeffizienten – Bestimmung und Interpretation der Nützlichkeit eines Prädiktors) möchte Professor Eid in der Klausur dein theoretisches Verständnis überprüfen. Es gibt zwar einige theoretische Sätze, die du dafür sogar auswendig lernen kannst, aber es wird auch nötig sein, „um die Ecke zu denken“ und bei einem neu gestellten Problem eine selbstständige Lösungen zu finden.

Wenn du kein (großer) Mathecrack bist, dann ist die Wahrscheinlichkeitsrechnung vermutlich die größte Herausforderung. Es kommt darauf an, dass du in den oft schwierigen Formulierungen die Schlüsselwörter heraus liest, damit du das richtige Modell anwendest. Wir trainieren mit dir zu erkennen, welche Schubladen du jeweils dafür ziehen musst. Das Rechen ist dann kein großes Problem mehr.

Kurz vor der Klausur bieten wir dir ein kompaktes R-Training. Dieser R- Teil enthält nur wenige Berechnungen. Es wird geprüft, wie gut du die Grundlagen des Programmes kennst und zum Beispiel den Unterschied von Faktor und numerischer Variablen verstehst. In vielen Klausuraufgaben üben wir mit dir die Grundfertigkeiten in R (Importieren von Daten – Umcodieren einer Variablen – ..) Für das Training brauchst du keine Voraussetzungen, es ist auch nicht wichtig, ob du schon mit dem Programm arbeiten kannst.

Themenübersicht

• Lage- & Streuungsmaße
  Gundbegriffe, Häufigkeitsverteilungen, Quantile, Boxplot, Mittelwerte, Varianz, klassierte Daten, Histogramme, z Standardisierung, Schiefe
• Zusammenhangsmaße
  Kovarianz, Korrelation, Kendalls Ƭ, ɣ Koeffizient, Kreuztabellen, X² Koeffizient, Cramers V, Yules Q, Odds Ratio, ȹ Koeffizient
• Korrelation & Regression
  Theorie der Korrelation, Regressionskoeffizienten, Methode der kleinsten Quadrate, Varianzzerlegung, Varianzaufklärung, Residuen, Partialkorrelation
• Multiple Regression
  Modell, Output SPSS, standardisierte Koeffizienten, multiple Korrelation, Partialregressionsgewichte, Modellvergleich, Nützlichkeit eines Prädiktors
• Wahrscheinlichkeitsrechnung
  bedingte Wahrscheinlichkeiten, Satz von Bayes, Baumdiagramme, Normalverteilung, Binomialverteilung, Exponentialverteilung, Kombinatorik
• Klausurtraining und Training für den R-Teil

Du wirst im Kurs (und als Hausaufgaben zwischen den Kursterminen) alle Klausuraufgaben von Professor Eid und mehrere zusammengestellte Probeklausuren durchrechnen.

Klausurvorbereitung

In Statistik II geht es ums Schätzen und Testen. Du musst zwar viele unterschiedliche Test beherrschen, aber alle Tests sind im Grundaufbau gleich. Zu Beginn des Kurses bekommst du einen übersichtlichen Entscheidungsbaum, mit dem du lernst, immer schnell zu entscheiden, welches statistische Verfahren das richtige ist. Außerdem trainierst du den Testaufbau. Hast du diesen einmal verstanden, dann kommt es nur noch darauf an, die kleinen Besonderheiten der verschiedenen Tests kennen zu lernen.

Auf einige Tests, kannst du dich gut vorbereiten, denn diese sind schnell und eindeutig erkennbar und sie haben nur wenige Varianten. Da diese Tests immer viele Punkte bringen, legen wir viel Wert darauf, dass du diese Punkte sicher bekommst. Der einfache t-Test und z-Test wird zwar selten in der Klausur gerechnet, aber diese Tests haben viele abgeleitete Aufgabentypen: das KI um den Mittelwert oder um cohens d, die Apriori-Poweranalyse, die Bestimmung des p-Wertes oder des beta-Fehlers.

Varianzanalyse und Regression sind die beiden großen Themen von Statistik II, wir bringen dich schnell in eine Übersicht über alle relevanten Varianten der Varianzanalyse, bringen dir mit einem einfachen Rezept die nötigen Rechnungen bei und konzentrieren uns dann , mit dir ausführlich die typischen Klausuraufgaben durchzugehen. Gerade zu den Kontrasten gibt es Varianten, auf die weder Vorlesung noch Tutorium ausreichend vorbereiten.

Die Regressionsanalyse baut auf Statistik 1 auf. Deshalb wiederholen wir mit dir (wenn nötig) diese Grundlagen. Dann werden dir die neuen Themen eher leicht fallen. Neben den Test zur Korrelation und Regression (insgesamt 6 Tests) wird es darauf ankommen, auch die moderierte und logistische Regression zu verstehen.

Kurz vor der Klausur bieten wir dir ein kompaktes R-Training.

Du wirst im Kurs (und als Hausaufgaben zwischen den Kursterminen) alle Klausuraufgaben von Professor Eid und mehrere zusammengestellte Probeklausuren durchrechnen.

Themenübersicht

• Testaufbau und t Test
  Entscheidungsbaum, Regeln für Hypothesen, Einstichproben t Test, t Test für unabhängige Stichproben, Cohens Delta, Freiheitsgrade, Signifikanz und Relevanz, ß Fehler und Teststärke, optimale Stichprobengröße
• Einfaktorielle Varianzanalyse
  t Test für abhängige Stichproben, Alpha Fehler Korrektur , post hoc Test, Quadratsummenzerlegung, Bestimmung der Anova Tabelle, Eta Quadrat, Anova mit Messwiederholung
• Kontrastanalyse
  Kontraste als post hoc Analyse, Kontrasthypothesen, Aufstellen von Kontrasten, Kontrastanalyse, Interpretation des numerischen Wertes, orthogonale Kontraste, Bedeutung von Kontrasten, Paarvergleiche, Tukey und Dunnett Test
• Zweifaktorielle Varianzanalyse
  Quadratsummerzerlegung, “Mittelwertskasten”, Haupteffekte und Interaktionseffekte, Liniendiagramme, Interaktionsarten, Effektgrößen, konkrete Effekte
• Multiple Regression
  Wiederholung einfache Regression, Nützlichkeit und Semipartialkorrelation, Korrelationstest, Test auf multiple Korrelation, Test der Partialregressionsgewichte, Modellvergleich, Outputs zur multiplen Regression
• Moderierte und logistische Regression
  Zentrierung der Prädiktoren, Interaktion, Test des Moderatoreffekt, Output und Interpretation, bedingte Wahrscheinlichkeit der logistischen Regression, Wettkoeffizient, ODDS Ratio
• Chi-Quadrat Test und Rangverfahren
  eindimensionaler Chi Quadrattest, p x k Felder Test, gerichtete x²-Tests, Pearson Residuum, Wilcoxon Vorzeichen Rangtest, Wilcoxon Rangsummentest, Mann Whitney U Test
• Klausurtraining und Training für den R- Teil